1.基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，基于各个原始模糊人脸图片，执行步骤A获得各个原始模糊人脸图片对应的一次去模糊处理后图片，然后执行步骤B至步骤C获得基于预设人脸图片模糊度各变化率分类阈值下的一次去模糊处理后图片的划分集合，之后根据一次去模糊处理后图片的划分集合，执行人脸识别方法，得到各原始模糊人脸图片的人脸识别结果；

步骤A：基于以原始模糊人脸图片为输入、以相对应一次去模糊处理后图片为输出，结合目标训练截止点函数、已训练完成的对抗网络DeblurGAN_V2去模糊模型，针对各个原始模糊人脸图片进行去模糊处理，获得各个模糊人脸图片所对应的一次去模糊处理后图片，随后进入步骤B；

其中，对抗网络DeblurGAN_V2去模糊模型的目标训练截止点函数包括全局对抗损失函数、以及训练截止点函数，全局对抗损失函数如下：其中，xg是原始模糊人脸图片，Pr是清晰图片数据分布，Pg是去模糊图片数据分布，Gen是生成器，Dis是判别器， 是损失函数，Dis(xg)是判别器的输出结果；训练截止点函数为：ek＝[max(||gk‑gk+1||∞,||dk‑dk+1||∞)]×Gtrue(1‑Dtrue)，其中，ek表示训练截止点，||·||∞表示∞‑范数，Gtrue表示生成器的图片通过率，Dtrue表示判别器的识别正确率，gk表示经过k次迭代的生成器状态，dk表示经过k次迭代的判别器状态；

步骤B：应用人脸模糊度方法，针对一次去模糊处理后图片进行处理，获得一次去模糊处理后图片的模糊度、以及一次去模糊处理后图片的模糊度变化率；随后进入步骤C；

步骤C：根据一次去模糊处理后图片的模糊度变化率、预设人脸图片模糊度各变化率分类阈值、以及一次去模糊处理后图片的模糊度，获得一次去模糊处理后图片模糊度变化率与一次去模糊处理后图片模糊度相结合的划分区间下的一次去模糊处理后图片的各个划分集合。

2.根据权利要求1所述的基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，所述步骤B中分别针对一次去模糊处理后图片，执行以下步骤B1至步骤B12:步骤B1:针对一次去模糊处理后图片，按如下公式计算一次去模糊处理后图片的亮度掩阈值ΔL：其中，L0表示人眼对于亮度为0的区域边缘的可察觉阈值，L表示输入强度，Γ是预设常数；

步骤B2:针对该一次去模糊处理后图片，计算人脸图像中大小为N×N区域B内以(xfu,yfu)为中心的区域亮度：其中，B(xfu,yfu)表示该一次去模糊处理后图片的区域亮度， 为一次去模糊处理后图片；

步骤B3:基于一次去模糊处理后图片的亮度掩阈值ΔL、和一次去模糊处理后图片的区域亮度，针对一次去模糊处理后图片按下公式进行亮度掩盖、背景亮度增强、空间复杂度对一次去模糊处理后图片进行更新，并获得该更新后一次去模糊处理后图片及所述一次去模糊处理后图片的梯度值；

其中，M0是一次去模糊处理后图片的平均空间复杂度，M(xfu,yfu)表示像素点(xfu,yfu)处的空间复杂度，ψ是预设常数， 表示经过亮度掩盖后的一次去模糊处理后图片在(xfu,yfu)处的梯度值， 是更新后的一次去模糊处理后图片梯度值；

步骤B4:针对所述一次去模糊处理后图片，按如下公式用小波变换在每个分辨率级别j提取边缘，0＜j＜J，获得一次去模糊处理后图片的细节轮廓图的像素点；

其中，J表示最高分辨率级别，Nhj表示水平方向，Nvj表示垂直方向，Cj(xfu,yfu)表示像素点(xfu,yfu)对应的细节轮廓图的像素点，Tj表示边缘阈值；

步骤B5：根据一次去模糊处理后图片的细节轮廓图的像素点，按如下公式：计算该一次去模糊处理后图片的能检测到细节轮廓图的感知像素点边缘的概率；其中，w(Cj(xfu,yfu))是检测到的边缘像素宽度，β表示预设失真常数，值固定为3.6，LE和WI表示图片的长和宽，wJNB表示恰可察觉边缘像素的边缘宽度，LCj(xfu,yfu)表示检测到细节轮廓图的像素点边缘的概率，|·|表示取绝对值；

步骤B6:基于检测到细节轮廓图的像素点边缘的概率，按如下公式：

计算感知像素点边缘图矩阵PCj，其中，PCj(xfu,yfu)表示感知边缘图矩阵；

步骤B7:分别从垂直和水平两个方向计算感知边缘图的两个相邻像素区域的均值：其中，PAhj(xfu,yfu)表示水平方向感知边缘图两个邻域的均值，PAvj(xfu,yfu)表示垂直方向感知边缘图两个邻域的均值；

步骤B8:按如下公式：

计算模糊像素，其中，PNBj(xfu,yfu)表示在分辨率j下时，像素点(xfu,yfu)的模糊像素；

步骤B9:按如下公式：

PNEj(xfu,yfu)＝1‑PNBj(xfu,yfu)，

计算清晰像素；其中，PNEj(xfu,yfu)表示在分辨率j下时，像素点(xfu,yfu)的清晰像素；

步骤B10:基于获得的不同分辨率水平下的模糊像素PNBj和清晰像素PNEj，计算不同分辨率水平下的模糊像素总数PNBj和清晰像素总数PNEj，然后按如下公式：计算模糊质量因数PQj：

步骤B11:按如下公式：

计算人脸模糊度CI；

其中，CI表示人脸模糊度，PQj表示模糊质量因数，j是当前分辨率水平，J是最高分辨率水平，上式计算人脸图像模糊度得到的分数范围是[0,1]，随着人脸图像模糊程度的增加，质量分数从0增加到1；

步骤B12:根据人脸模糊度CI，按如下公式：

计算人脸模糊度变化率CJ，即该一次去模糊处理后图片的人脸模糊度变化率，其中，表示计算模糊度变化率的初始图片序号， 表示计算模糊度变化率的结束图片序号，ξ表示预设察觉边缘阈值常数，取值为0.63，CJ表示一次去模糊处理后人脸模糊度变化率。

3.根据权利要求1所述的基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，所述步骤C中，基于一次去模糊处理后图片模糊度变化率划分阈值、以及一次去模糊处理后图片的人脸模糊度变化率的排序，分别针对一次去模糊处理后图片进行划分，获得三个一次去模糊处理后图片的划分集合S1、划分集合S2、划分集合S3；基于划分集合S3、以及一次去模糊处理后图片的模糊度，针对所述划分集合S3再次划分，获得一次去模糊处理后图片的划分集合S31和划分集合S4；最终以划分集合S1、划分集合S2、划分集合S31、划分集合S4作为一次去模糊处理后图片的划分集合。

4.根据权利要求3所述的基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，针对划分集合S1中的一次去模糊处理后图片、划分集合S2中的一次去模糊处理后图片、划分集合S4中的一次去模糊处理后图片，执行人脸识别方法W1，获得人脸识别结果；针对划分集合S31中的各个一次去模糊处理后图片执行人脸识别方法W2之后获得二次去模糊处理后图片，之后针对各个二次去模糊处理后图片，执行人脸识别方法W1，获得人脸识别结果。

5.根据权利要求4所述的基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，所述人脸识别方法W1具体为以下步骤E1至步骤E3；

步骤E1:计算去模糊处理后图片的模糊人脸特征映射矩阵，再将去模糊处理后图片的模糊人脸特征映射矩阵按照如下公式：计算去模糊处理后图片的模糊人脸特征相似度投影矩阵，其中，ε是去模糊处理后图片的模糊人脸特征相似度投影矩阵，WI是去模糊处理后图片的模糊人脸图片宽度，LE是去模糊处理后图片的模糊人脸图片长度，|·|表示取绝对值，dis(a,b)是去模糊处理后图片在映射空间的投影距离，b是去模糊处理后图片在映射空间的纵坐标，a是去模糊处理后图片在映射空间的横坐标；

步骤E2:按照如下公式计算基于三元空间融合去提取去模糊处理后图片的模糊人脸局部特征描述子：其中， 是去模糊处理后图片的模糊人脸局部特征描述子， 是某一维度下去模糊处理后图片局部特征向量维度元素值，χ是物理空间、信息空间下的去模糊处理后图片， 是人类认知空间状态下的去模糊处理后图片；

步骤E3:按照如下相似性度量方程：

计算去模糊处理后图片的识别结果；其中， 是人类认知空间状态下去模糊处理后图片的人脸特征的第z维元素值， 是物理空间、信息空间状态下去模糊处理后图片的人脸特征的第z维元素值，(xf,yf)是去模糊处理后图片的像素点坐标， 是三元空间下去模糊处理后图片的人脸相似度识别状态， 是相似度度量方程。

6.根据权利要求5所述的基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，所述人脸识别方法W2具体为以下步骤G1至步骤G5；

步骤G1:按如下公式：

建立人脸识别方法W2的去初级模糊处理模块，其中，||·||1表示1‑范数，H是模糊图像，cl是清晰图像，fc是卷积核也就是模糊核， 表示卷积操作，γ和μ是常数，Efc(fc)表示模糊核的退化均值，Ecl(cl)表示清晰图像的退化均值；随后进入步骤G2；

步骤G2:针对人脸识别方法W2的初级去模糊处理模块，按如下公式：

对人脸识别方法W2的初级去模糊处理模块在提取去模糊处理后图片的模糊人脸显著边缘时削减无关细节并增强显著边缘；其中，N(x)表示以x为中心的区域，ε为常量， 表示边缘变化模型， 表示对初步去模糊处理后图片纵坐标的梯度求解， 表示2‑范数v u的平方，通过 来区分显著边缘和平坦区域，用梯度值e 表示梯度大小，梯度向量e 表示梯度方向；随后进入步骤G3；

步骤G3：针对去模糊处理后图片，按如下公式：

提取人脸模糊图像显著边缘：其中，Hy和Hx分别是去模糊处理后图片的模糊人脸的纵向

0.8

和横向梯度， ||·|| 表示1‑范数的0.8次方，w自适应的增强和削弱x y

边缘，既能增强显著边缘又能忽略不重要的细节，θ和θ表示去模糊处理后图片的横向和纵向的显著边缘；随后进入步骤G4；

步骤G4:针对人脸识别方法W2的初级去模糊处理模块，用拉普拉斯先验的方法改写初级去模糊处理模块，获得二级去模糊处理模型：其中， 表示对清晰人脸图像的横坐标x求偏导， 表示对清晰人脸图像的纵坐标y

0.8

求偏导，|·| 表示绝对值的0.8次方；随后进入步骤G5:

步骤G5:对二级去模糊处理模块中fc求解，即得出二次去模糊处理后图片，用以下IRLS方法将迭代求解转换成最小二乘加权的形式：(t)

其中， t表示迭代轮次，cl 表示经过t次

迭代的清晰图像，ωf表示图像模糊参量常数， 表示运动模糊参量常数， 表示对经过t次迭代的清晰人脸图像的纵坐标y求偏导， 表示对经过t次迭代的更新图片的横坐标x求偏导，|·|表示取绝对值。

7.根据权利要求3所述的基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，模糊度变化率划分阈值为阈值|CJ|＝0、阈值|CJ|＝2％、以及阈值|CJ|＝30％，一次去模糊处理后图片的模糊度变化率阈值为|CI|＝0.3；获得人脸模糊度变化率划0≤|CJ|＜

2％下的划分集合S1、人脸模糊度变化率|CJ|﹥30％下的划分集合S2、人脸模糊度变化率划

2％≤|CJ|≤30％且人脸模糊度|CI|＜0.3下的划分集合S4，人脸模糊度变化率划2％≤|CJ|≤30％且人脸模糊度|CI|≥0.3下的划分集合S31。

8.根据权利要求1所述的基于新型对抗学习去模糊理论的动态人脸识别方法，其特征在于，选取45％≤ek≤55％作为训练截止点。